智能汽车技术是未来汽车发展的重要方向,它涉及环境建模、多传感器融合感知、态势估计与认知、决策与控制等多个环节,属于人工智能、控制、通信、计算机等多个学科的交叉领域,对社会、经济的发展均具有极为强大的促进作用。环境感知技术作为智能汽车技术中最核心与最关键的技术之一,是当前研究的重点和热点,也是制约汽车智能化进程的主要瓶颈。传统的多传感器感知技术由于传感器自身的缺陷性,不能适应山区等复杂环境道路的感知需求。因此,针对山区城市复杂环境中车载传感器感知技术难度大的问题,本文一方面以场景信息作为环境感知技术研究的新切入点,提出考虑场景信息的车辆目标运动模型以及多传感器融合的新方法;另一方面结合网联信息,提出网联信息辅助的目标跟踪新系统。本文的研究对于提升车载传感器目标跟踪的准确性和可靠性有明显的理论意义和应用价值。本文主要内容有以下几个方面:（1）研究了低机动目标的运动模型构建方法。针对传统目标跟踪未考虑交通场景先验信息或者道路约束信息对目标运动造成的引导或约束影响,导致目标运动学模型建立不够精准的问题,提出一种基于微观交通势力场模型的车辆跟踪模型。通过在二维道路坐标系中考虑交通场景和道路约束,构建了微观交通势力场模型,并采用交互多模型对车辆的纵向和横向行为进行估计。此外,考虑到传统的交互多模型中转移概率矩阵通常由先验知识确定,本文提出一种具有自适应转移概率矩阵的拟贝叶斯递推算法来处理横向机动模型之间的切换,实现了横向模型的快速切换,提高了目标跟踪精度。该研究针对不同传感器的检测特性,分别建立点目标和扩展目标的跟踪框架,并构建完整的跟踪系统实现对车辆目标的跟踪。（2）研究了高机动目标的运动模型构建方法。针对目标跟踪中高机动目标模型变化快、估计难等问题,提出一种基于场景关联半马尔可夫模型的车辆跟踪方法。该方法基于逗留时间的半马尔可夫运动模型来实现对高机动目标的纵向行为建模,同时通过模型逗留时间自适应计算各模型之间的状态概率矩阵。为了估计模型的逗留时间,本研究结合动态场景信息,提出了场景关联的贝叶斯网络来估计半马尔可夫模型中每个模型的逗留时间。此外,为了对车辆目标的横向运动进行建模,本文利用道路中心点构建伪观测,对横向运动行为进行约束跟踪。本研究提出的高机动目标跟踪方法能够有效降低模型估计的不确定性,更加精准地处理模型之间的变换关系,从而提升对高机动目标跟踪的准确性。（3）研究了随机有限集框架下的多传感器融合框架与跟踪方法。面向车载多源异类传感器,提出一种随机有限集框架下的不确定性多传感器融合与跟踪方法。该方法构建了异类传感器统一的目标状态、运动学和观测模型,并将运动学模型与目标识别属性进行统一建模,提出了多源异类传感器多目标联合检测、识别和跟踪框架。针对异类传感器存在场景模糊观测的情况,建立随机有限集框架下的不确定性观测模型。结合传感器视角差异以及不确定性场景对各传感器观测的影响,提出一种考虑场景模糊信息的多传感器融合方法。该方法能保证车载传感器在复杂环境中能够可靠和稳定地感知周边目标,并极大限度利用最优传感器的观测信息,同时消除个别传感器对整个融合系统带来的不利影响。本研究采用随机有限集框架下的泊松多伯努利滤波方法对目标进行跟踪,并实现了多源异类传感器多目标联合检测识别与融合跟踪。（4）研究了网联辅助的智能网联汽车目标跟踪方法。面向不同类别的网联辅助信息,提出一个包含车与车、车与路和车与云通信的智能网联汽车目标跟踪系统。在车与车通信的辅助跟踪上,提出一种毫米波雷达和网联辅助信息融合的智能网联汽车目标跟踪方法,并建立对应的跟踪系统,该系统通过利用车与车通信发送的身份和位置信息,改善目标跟踪中的数据关联算法,减少数据关联计算量。同时,针对激光雷达的扩展目标跟踪问题,提出了激光雷达与网联辅助信息融合的目标跟踪方法和系统,该系统利用网联发送的形状和航向信息构造一个二重跟踪门,以减少激光雷达观测的杂波,提升跟踪效果。在车与路的融合跟踪方法上,对三种经典航迹融合方法进行了实验分析及验证,选取了最优的融合方法,构建了路侧设备与车载传感器的航迹融合系统。因此,本研究将车载感知扩展到网联与车载协同感知,增加了智能网联汽车的感知范围,提升了环境感知算法的可靠性及准确性。